[摘自SMTH]稀疏矩阵求逆讨论

 发信人: lingruoxuan (lingruoxuan), 信区: Num_Analysis
标  题: [摘自SMTH]稀疏矩阵求逆讨论
发信站: 日月光华 (2004年08月11日21:05:20 星期三), 站内信件

来源：HTTP：//BBS.SMTH.EDU.CN  NUMCOMP
水木清华之数值版
[合集] matlab中好像对稀疏矩阵求逆的处理没有特殊方法
>>难道还是高斯消去法？那大型的不是要求死啊
help GMRES
BICG
BICGSTAB
CGS
QMR
.......
>>高斯消去算个10来阶的小矩阵还成，算大了一定出问题！
>>求逆就是用解方程AX＝I来求？
>>求逆的复杂度总是很大，能少用就少用
Ax=ei   (1=<i<=n)
把解得的xi按顺序拼成一个矩阵就完了。。
>>这样看来跟求一个方程的复杂度一样了啊。矩阵是正定对称稀疏矩阵，现在的情况
是不但要求，而且维数还非常的大。麻烦啊
>>对称正定的稀疏矩阵很好办啊，用LU分解就可以了。
如果维数实在太大，比如超过10^4量级，那就只能用
共轭梯度法之类的迭代法求解了。
>>你觉得LL’分解不会破坏矩阵的稀疏性么——如果矩阵不是带状的话？
而且数值稳定性也有问题。
>>会啊，会产生注入元，不过一般不是很多，
可以通过预测的方法事先得出注入元的位置，形成稀疏矩阵的时候
保留下这些空位。
>>这个好像不是很可行，能说得仔细点么？
>>这个如果用二维链表的存储方式倒是好办，Fortran 77里面就麻烦一些了，
不过也是可以实现的。主要是通过不完全模拟一次LU分解过程，计算出注
入元的位置。
我去年花了很长时间写了一个稀疏矩阵类库，可以说专门用于解线性方程
组相关问题的，就是用的这种方法，另外自己做了一个内存管理的模块，
整体效果非常好。不过我的领域稀疏矩阵的规模一般不是很大，一般不会
超过10000维。
维数再多就不知道效果怎么样了。
>>嗯。。对于一些注入元不是很多的矩阵这应该是个好办法。
但是对于有些矩阵，LU分解后可能就把整个矩阵充满了。~
这是比较郁闷的事情。。
>>求逆一般是不可取的，无需多说。但稀疏矩阵的直接解法还是不少的。基本上都是对
矩阵进行重新排序以期减少填充或运算量。
在matlab里面，有许多算法可以利用：
colamd, colmmd, colperm, spparms, symamd, symmmd, symrcm.
根据是否对称，采用LU分解或者chol分解。
这些算法在internet上搜一下，很多都有相应的C或fortran版本。
稀疏矩阵的存储最常见的是压缩列（行）存储，最近发现一种利用hash表来存储的，其
存取复杂度是O（1）,很是不错。有幸趣的可以看看下面网页咯，作者提供了源程序。
http://www.informatik.hs-bremen.de/~brey/
>>对于带状的稀疏矩阵 <matrix computations>里面介绍了一些很巧妙的数据结构。
同时推荐一个网址，资源还是很丰富的。不知道前面是不是有人推荐过了。。
http://math.nist.gov/MatrixMarket/
>>事实上Hash表存储的效率也跟Hash算法有关，弄不好的话，不见得比直接按行或者列

>>我对这个了解并不深。
那个网页上的程序利用的是stl的hashtable和自己实现两种方法，效率还是可以的，并
且附有一个效率比较的程序。
另外，从hash表的初衷来看，应该是规模越大，效率越高才对。压缩列（行）存储的存
取效率才会随规模增大而降低。
hash表存储直接用于计算估计不会太好，毕竟现有的程序大多是用压缩列存储。但利用
它编程会很方便，就像matlab里面的稀疏矩阵一样。并且hash表和压缩列存储的相互转
换很容易，可以很方便地调用现有的稀疏矩阵软件包。
>> 维数再多还是用不完全LU分解预处理+CG or Gmres
我一个同学这么求过200W阶的矩阵
>>各种各样的预处理+GMRES是现在解决大规模稀疏矩阵的主力方法。。

--
>>天空依然阴霾，>>
　　　　>>依然有鸽子在飞翔．>>
※ 来源:·日月光华 bbs.fudan.edu.cn·[FROM: 10.85.12.89]